IRPI Publisher Journals (Institute of Research and Publication Indonesia)
Not a member yet
1012 research outputs found
Sort by
The OSI and TCP/ IP Reference Models in the Era of Industry 4.0
Get PDFThe research aims to evaluate the integration and relevance of the Open Systems Interconnection (OSI) and TCP/IP (Transmission Control Protocol/Internet Protocol) Reference Models in the context of Industry 4.0. This study seeks to analyze the suitability of these models with the complex and dynamic networking environment of the present era and to propose modifications or strategies to enhance their performance and security within the context of Industry 4.0. The research method employed is descriptive research with a literature study design. This descriptive research method with a literature study design will aid in depicting and analyzing the OSI and TCP/IP reference models in the Industry 4.0 era. Primary data sources are derived from scholarly journals, reference books, and other relevant publications. Data analysis is conducted using a qualitative approach, wherein information from various sources will be thoroughly analyzed to identify patterns, trends, and relationships among the studied concepts. The research findings indicate that the difference between the OSI and TCP/IP models lies in their approaches and characteristics in regulating the process of data communication within networks. OSI emphasizes reliability at each layer, while TCP/IP views reliability as an end-to-end issue.
Evaluasi Tata Kelola TI Menggunakan Framework Cobit 5 pada Soraya Shop Palembang: Evaluation of IT Governance Using a Framework Cobit 5 at Soraya Shop Palembang
No full textSoraya shop adalah Technopreneurship Penjualan yang mempunyai visi untuk menghasilkan IT Scholar denganmentalitas wirausaha. Namun untuk mencapai hal itu, soraya shop perlu mengelola IT Government untuk mendukungnya lingkungan akademik dan non-akademik di sekitar pelanggan serta pegawai yang dikendalikan oleh departemen TI Pengembangan dan Penerapan (PPTI). Pada penelitian ini akan mengevaluasi tingkat kemampuan TI Tata Kelola di Soraya Shop dan menyediakan rekomendasi untuk kesenjangan antara kinerja di proses domain APO03, APO04, dan BAI01 menggunakan metode kuantitatif dan kualitatif. Selain itu, penelitian ini akan menggunakan survei, wawancara, dan studi dokumen untuk data yang diperlukan. Hasil penelitian ini menunjukkan rata-rata tingkat kemampuan dalam proses domain APO03, APO04, dan BAI01 tercapai sebagian. Oleh karena itu, untuk mengisi kesenjangan antara tingkat kemampuan soraya shop saat ini dan tingkat kemampuan yang diharapkan, rekomendasi telah diberikan pada penelitian ini untuk menciptakan perbaikan mengenai ke Soraya Shop Palembang
Perbandingan Kinerja Model Berbasis RNN pada Peramalan Data Ekonomi dan Keuangan Indonesia: Performance Comparison of RNN-Based Models in Forecasting Indonesian Economic and Financial Data
No full textPeramalan deret waktu merupakan salah satu elemen kunci dalam analisis ekonomi dan keuangan. memungkinkan pemangku kepentingan untuk membuat perkiraan terhadap berbagai indikator ekonomi sebelum data resmi dirilis. Dalam konteks ini, model pembelajaran mesin seperti Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), dan Gated Recurrent Unit (GRU) menunjukkan potensi yang menjanjikan dalam memprediksi data deret waktu. Sejumlah penelitian juga menegaskan bahwa LSTM dan GRU mampu mengungguli kinerja RNN. Kedua model tersebut memiliki mekanisme untuk mengatasi masalah vanishing gradient yang sering ditemui pada model RNN konvensional. Penelitian ini menitikberatkan untuk menguji kinerja ketiga model tersebut pada data-data yang ada di Indonesia. Agar hasil lebih komprehensif, penelitian ini akan menguji model pada tiga jenis data yang berbeda meliputi IHSG, nilai ekspor dan PDB. Hasil penelitian ini mengindikasikan bahwa secara keseluruhan, model GRU menunjukkan kinerja terbaik, diikuti oleh model LSTM yang juga kompetitif dibandingkan RNN. Selain akurasi, model GRU dan LSTM juga menonjol dalam hal stabilitas kinerja, ditandai dengan simpangan baku yang relatif kecil jika dibandingkan dengan RNN. Keunggulan ini menjadi semakin signifikan terutama saat diterapkan pada model PDB dimana hanya tersedia untuk periode waktu yang pendek
Exploring the Role of ChatGPT in Shaping an Innovative Organizational Culture, Responsiveness to Change, and Enhancing Human Resource Development
Get PDFThe rapid development of digital technology has prompted organizations to adopt new tools and systems to enhance operational efficiency and effectiveness. One of the latest technologies garnering widespread attention is artificial intelligence (AI), including language models like ChatGPT, capable of processing and generating text naturally. This research aims to further explore how ChatGPT can be implemented within organizations to cultivate an innovative culture, responsiveness to change, and effectively support human resource development. This study employs a literature review method with a qualitative approach. Data were collected from articles published on Google Scholar between 2021 and 2024, considering Google Scholar as a comprehensive and credible academic database. The findings indicate that ChatGPT plays a crucial role in fostering innovation by serving as a catalyst for creative ideas and new solutions. Furthermore, ChatGPT has proven to enhance organizational responsiveness to changes in the business environment by providing accurate insights based on real-time data. On the other hand, utilizing ChatGPT as an interactive training tool also aids in accelerating employee competency development. However, it is essential to consider the ethical challenges and considerations in the use of this technology, including data privacy issues and overreliance.
Perbandingan Algoritma DBSCAN dan K-MEANS dalam Segmentasi Pelanggan Pengguna Transportasi Publik Transjakarta Menggunakan Metode RFM: Comparison of the DBSCAN and K-MEANS Algorithms in Segmenting Customers Using Public Transportation of Transjakarta Using the RFM Method
No full textTransportasi umum sangat penting dalam kehidupan individu di suatu daerah. Transjakarta, diperkenalkan pada tahun 2004, adalah sistem Bus Rapid Transit (BRT) terpanjang di dunia dengan 251,2 kilometer jalur, 14 jalur, dan 287 halte di seluruh Jakarta. Sistem ini melayani masyarakat dengan 1.347 unit transportasi. Seiring peningkatan jumlah pengguna, masalah seperti kerumunan di halte dan antrian panjang muncul, sehingga diperlukan segmentasi pelanggan yang cermat.Penelitian ini menggunakan metode Recency, Frequency, Monetary (RFM) untuk analisis segmentasi pelanggan Transjakarta dengan algoritma DBSCAN dan K-Means. Hasil menunjukkan DBSCAN membutuhkan waktu pemrosesan lebih lama untuk klaster tertentu, sedangkan K-Means lebih cepat di klaster tertentu. K-Means unggul dengan Silhouette Score 0.714917 dan Davies-Bouldin Index 0.365776, dibandingkan DBSCAN dengan Silhouette Score 0.699971 dan Davies-Bouldin Index 0.390784. K-Means lebih efektif dalam membedakan pelanggan berdasarkan frekuensi dan nilai moneter, sementara DBSCAN dapat mengidentifikasi outlier dengan interaksi dan nilai moneter tinggi. Secara keseluruhan, K-Means menunjukkan performa yang lebih baik dalam segmentasi pelanggan Transjakarta. Berdasarkan hasil ini, K-Means lebih cocok digunakan untuk segmentasi pelanggan Transjakarta, yang dapat membantu pihak berwenang merancang strategi layanan yang lebih efisien dan meningkatkan kepuasan pelanggan
Optimasi Decision Tree Menggunakan Particle Swarm Optimization (PSO) pada Risiko Kredit KMG Bank DKI: Optimization of Decision Tree Using Particle Swarm Optimization (PSO) for Credit Risk of KMG Bank DKI
No full textPada dunia perbankan prediksi risiko kredit merupakan aspek penting yang menentukan keberhasilan dalam pengelolaan kredit. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi risiko kredit Kredit Multiguna (KMG) di Bank DKI dengan menggunakan metode Particle Swarm Optimization (PSO). Dalam konteks ini, PSO digunakan untuk mengoptimalkan dalam menemukan kombinasi parameter terbaik yang dapat meningkatkan performa model prediksi risiko kredit. Penelitian menunjukkan bahwa penggunaan Particle Swarm optimization (PSO) ini meningkatkan akurasi prediksi risiko kredit secara signifikan. Dengan menggunakan Particle Swarm optimization (PSO) menghasilkan akurasi prediksi mencapai 99,13%. Sebaliknya , tanpa optimasi PSO, akurasi yang diperoleh dari Decision Tree hanya sebesar 97,83 %. Hal ini membuktikan bahwa PSO mampu meningkatkan akurasi prediksi risiko kredit secara signifikan. Dengan demikian, Bank DKI dapat mengambil keputusan yang lebih tepat dalam pemberian kredit KMG, yang pada akhirnya dapat mengurangi tingkat kredit macet dan meningkatkan stabilitas finansial bank
Analisis Sentimen Terhadap Program Kartu Indonesia Pintar Kuliah pada Media Sosial X Menggunakan Algoritma Naive Bayes: Sentiment Analysis of the Indonesian Smart College Card Program on Social Media X Using the Naive Bayes Algorithm
No full textPenelitian ini menunjukkan bahwa publik memiliki berbagai tanggapan terhadap Program Kartu Indonesia Pintar Kuliah (KIP-K) yang dapat dikategorikan ke dalam sentimen positif dan negatif. Permasalahan yang diteliti adalah bagaimana tanggapan publik terhadap program KIP-K yang diungkapkan melalui media sosial X. Penelitian ini menggunakan metode analisis sentimen dengan algoritma Naive Bayes dan pendekatan CRISP-DM untuk memastikan proses analisis yang sistematis dan terstruktur. Data yang dikumpulkan sebanyak 1.516 tweet yang mengandung kata kunci "KIP-K" melalui teknik crawling data menggunakan API X. Hasil penelitian menunjukkan bahwa algoritma Naive Bayes efektif dengan akurasi 84.99%, presisi sentimen positif 83.54%, dan presisi sentimen negatif 87.25%. Solusi yang ditawarkan adalah penggunaan teknik machine learning untuk secara otomatis mengkategorikan sentimen dari data teks yang besar dan tidak terstruktur. Manfaat dari penelitian ini adalah memberikan wawasan kepada pemerintah dan pemangku kebijakan tentang persepsi masyarakat terhadap program KIP-K, yang dapat dijadikan dasar untuk evaluasi dan perbaikan program di masa mendatang. Kesimpulannya, algoritma Naive Bayes dapat mengklasifikasikan sentimen dengan baik menggunakan data dari tweet tentang KIP-K, dengan hasil yang menunjukkan dominasi sentimen negatif. Penelitian ini juga berkontribusi dalam pengembangan metode analisis sentimen berbasis machine learning di bidang pendidikan
Perancangan Sistem Monitoring Cerdas Berbasis Internet of Things (IoT) dengan Algoritma Random Forest Regression untuk Deteksi Ketinggian pada Tanaman Tomat Cherry: Design of an Intelligent Monitoring System Based on Internet of Things (IoT) with Random Forest Regression Algorithm for Height Detection in Cherry Tomato Plants
No full textTomat cherry merupakan komoditas bernilai di Indonesia dengan permintaan yang meningkat setiap tahunnya. Penelitian ini mengembangkan sistem pemantauan cerdas berbasis Internet of Things (IoT) untuk tanaman tomat cherry menggunakan algoritma Random Forest Regression (RFR). Sistem ini memanfaatkan mikrokontroler ESP32 dan lima sensor untuk memantau parameter lingkungan, serta aktuator untuk pengaturan kondisi optimal. Data sensor diproses dan disimpan di platform Thingspeak dan diintegrasikan dengan Google Colab untuk prediksi ketinggian tanaman. Hasil prediksi ditampilkan di layar LCD dan dikirimkan sebagai notifikasi melalui aplikasi Telegram. Penelitian ini mengisi kesenjangan dari studi sebelumnya dengan mengintegrasikan berbagai sensor, aktuator, dan platform cloud dalam satu sistem yang komprehensif. Evaluasi sistem menunjukkan nilai Mean Squared Error (MSE) sebesar 0.8294 dan R^2 Score sebesar 0.8939, serta hasil pengujian Black Box Testing memastikan fungsionalitas optimal dalam berbagai skenario. Hasil penelitian ini dapat memberikan manfaat dalam penerapan teknologi IoT dan machine learning untuk monitoring dan pengelolaan tanaman tomat cherry, harapannya meningkatkan efisiensi dan produktivitas pertanian.
Perancangan Alat Ukur Emisi Carbon Monoxide Berdasarkan Jenis Bahan Bakar Minyak Honda Vario 150 di Universitas Semarang: Design of Carbon Monoxide Emission Measurement Tool Based on Honda Vario 150 Fuel Type at Semarang University
No full textPencemaran udara di Kota Semarang, ibukota Provinsi Jawa Tengah, telah menjadi masalah serius seiring dengan pesatnya pertumbuhan jumlah kendaraan bermotor dan kegiatan industri. Penelitian ini bertujuan untuk mengukur dan menganalisis dampak emisi gas buang kendaraan bermotor terhadap kualitas udara di lingkungan Universitas Semarang, dengan fokus pada emisi karbon monoksida (CO) yang dihasilkan oleh berbagai jenis bahan bakar. Alat ukur emisi berbasis Internet of Things (IoT) menggunakan sensor gas MQ-7 dan NodeMCU ESP8266 dikembangkan untuk mendeteksi tingkat emisi secara real-time. Hasil penelitian menunjukkan bahwa kendaraan bermotor, khususnya yang menggunakan bahan bakar 'Pertalite', berkontribusi signifikan terhadap tingginya emisi CO. Analisis menggunakan model regresi pohon keputusan (Decision Tree Regression) menunjukkan bahwa bahan bakar 'Pertamax' memiliki tingkat emisi CO yang lebih rendah, dengan squared error sebesar 162.544 dibandingkan dengan 'Pertalite' yang mencapai 433.496. Selain itu, alat pengukur emisi ini memberikan solusi efektif untuk memantau tingkat polusi udara di area kampus, yang dapat membantu pengambilan keputusan terkait pengelolaan lingkungan dan pemilihan bahan bakar yang lebih ramah lingkungan. Berdasarkan hasil penelitian ini, disarankan untuk meningkatkan pemantauan emisi kendaraan bermotor serta mendorong penggunaan bahan bakar yang lebih ramah lingkungan, seperti 'Pertamax', guna mengurangi dampak negatif pencemaran udara di lingkungan kampus
Analisis Sentimen pada Ulasan Aplikasi Sirekap di Google Play Menggunakan Algoritma Naive Bayes: Sentiment Analysis on Sirekap App Reviews on Google Play Using Naive Bayes Algorithm
No full textSeiring dengan perkembangan dan pemanfaatan teknologi baru, KPU membuat dan menggunakan aplikasi SIREKAP untuk membantu proses rekapitulasi suara secara berjenjang. Sistem Informasi Rekapitulasi Elektronik (SIREKAP) merupakan program komputer yang membantu proses penghitungan ulang hasil pemilu dan publikasi hasil pemilu. Sistem ini dibuat sesuai dengan Keputusan Komisi Pemilihan Umum Nomor 66 Tahun 2024. Untuk mendapatkan informasi mengenai ulasan aplikasi SIREKAP, data diambil dari Google Play (scraping). Dalam investigasi ini, pelabelan sentimen dilakukan secara manual. Temuan menunjukkan bahwa sentimen terhadap aplikasi SIREKAP sebagian besar tidak menguntungkan (93,3%) dan positif (6,7%). Teknik Naive Bayes kemudian digunakan untuk memodelkan klasifikasi menggunakan data yang diberi label. Algoritma Naive Bayes memiliki accuracy rata-rata 90%, precision 98%, dan recall 81%, menurut data evaluasi. Konteks evaluasi pengguna untuk aplikasi SIREKAP dipahami melalui analisis visualisasi menggunakan wordcloud